論文の概要: Probabilistic Deep Discriminant Analysis for Wind Blade Segmentation

• arxiv url: http://arxiv.org/abs/2601.13852v1
• Date: Tue, 20 Jan 2026 11:03:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.279009
• Title: Probabilistic Deep Discriminant Analysis for Wind Blade Segmentation
• Title（参考訳）: ウィンドブレードセグメンテーションの確率論的深部判別分析
• Authors: Raül Pérez-Gonzalo, Andreas Espersen, Antonio Agudo,
• Abstract要約: 本稿では,Deep Discriminant Analysis (DDA)を導入し,深層ネットワークを用いたFisher criterionを直接最適化する。 安定なDDA損失関数を2つ提示し、確率損失を増大させ、確率的DDA(PDDA)をもたらす。 PDDAは出力分布におけるクラスオーバーラップを効果的に最小化し、クラス内分散を低減した高い信頼性の予測を生成する。
• 参考スコア（独自算出の注目度）: 18.108693090007748
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Linear discriminant analysis improves class separability but struggles with non-linearly separable data. To overcome this, we introduce Deep Discriminant Analysis (DDA), which directly optimizes the Fisher criterion utilizing deep networks. To ensure stable training and avoid computational instabilities, we incorporate signed between-class variance, bound outputs with a sigmoid function, and convert multiplicative relationships into additive ones. We present two stable DDA loss functions and augment them with a probability loss, resulting in Probabilistic DDA (PDDA). PDDA effectively minimizes class overlap in output distributions, producing highly confident predictions with reduced within-class variance. When applied to wind blade segmentation, PDDA showcases notable advances in performance and consistency, critical for wind energy maintenance. To our knowledge, this is the first application of DDA to image segmentation.
• Abstract（参考訳）: 線形判別分析はクラス分離性を改善するが、非線形分離性データに苦慮する。 これを解決するために,ディープネットワークを利用したフィッシャー基準を直接最適化するDeep Discriminant Analysis (DDA)を導入する。 安定なトレーニングと計算不安定性を回避するため,シグモイド関数を用いた符号付きクラス間分散,有界出力を導入し,乗法的関係を加法的関係に変換する。 安定なDDA損失関数を2つ提示し、確率損失を増大させ、確率的DDA(PDDA)をもたらす。 PDDAは出力分布におけるクラスオーバーラップを効果的に最小化し、クラス内分散を低減した高い信頼性の予測を生成する。 風力翼のセグメンテーションに適用すると、PDDAは風力エネルギー維持に重要な性能と一貫性の顕著な進歩を示す。 我々の知る限り、DDAのイメージセグメンテーションへの応用はこれが初めてである。

関連論文リスト

• Deep Linear Discriminant Analysis Revisited [3.569867801312133]
  制約のないDeep Linear Discriminant Analysis (LDA)分類器の場合, 最大線量トレーニングは病的解決策を認める。 混合密度に簡単なペナルティを伴ってLDAログ類似度を増大させるemphDiscriminative Negative Log-Likelihood (DNLL)損失を導入する。
  論文  参考訳（メタデータ） (2026-01-04T17:59:11Z)
• Distributionally Robust Optimization with Adversarial Data Contamination [49.89480853499918]
  凸リプシッツ損失関数を持つ一般化線形モデルに対するワッサーシュタイン-1 DRO 目標の最適化に焦点をあてる。 私たちの主な貢献は、データ汚染のトレーニングに対するロバストネスと分散シフトに対するロバストネスを統合した、新しいモデリングフレームワークです。 この研究は、データ汚染と分散シフトという2つの課題の下で学習するために、効率的な計算によって支援される最初の厳密な保証を確立する。
  論文  参考訳（メタデータ） (2025-07-14T18:34:10Z)
• Unveiling the Superior Paradigm: A Comparative Study of Source-Free Domain Adaptation and Unsupervised Domain Adaptation [52.36436121884317]
  Source-Free Domain Adaptation (SFDA) は、現実のシナリオにおいて、Unsupervised Domain Adaptation (UDA) よりも一般的に優れていることを示す。 SFDAは、時間効率、ストレージ要件、対象とする学習目標、負の移動リスクの低減、過度な適合に対する堅牢性の向上といった利点を提供している。 利用可能なソースデータをマルチSFDA手法に効果的に統合する新しい重み推定法を提案する。
  論文  参考訳（メタデータ） (2024-11-24T13:49:29Z)
• CoSDA: Continual Source-Free Domain Adaptation [78.47274343972904]
  ソースデータにアクセスせずに、ソースフリードメイン適応(SFDA)は、ソースドメインのトレーニングされたモデルからターゲットドメインに知識を転送する。 最近では、ソースドメインのデータプライバシ保護の必要性から、SFDAの人気が高まっている。 教師-学生モデルペアを2倍高速に最適化し,整合性学習機能を備えた,CoSDAという連続的ソースフリードメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2023-04-13T15:53:23Z)
• Confidence Attention and Generalization Enhanced Distillation for Continuous Video Domain Adaptation [62.458968086881555]
  連続ビデオドメイン適応(CVDA、Continuous Video Domain Adaptation)は、ソースモデルが個々の変更対象ドメインに適応する必要があるシナリオである。 CVDAの課題に対処するため,遺伝子組み換え型自己知識解離(CART)を用いた信頼性保証ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-18T16:40:10Z)
• The Power and Limitation of Pretraining-Finetuning for Linear Regression under Covariate Shift [127.21287240963859]
  本研究では,対象データに基づく事前学習と微調整を併用した伝達学習手法について検討する。 大規模な線形回帰インスタンスの場合、$O(N2)$ソースデータによる転送学習は、$N$ターゲットデータによる教師あり学習と同じくらい効果的である。
  論文  参考訳（メタデータ） (2022-08-03T05:59:49Z)
• Bures Joint Distribution Alignment with Dynamic Margin for Unsupervised Domain Adaptation [17.06364218327213]
  非教師なしドメイン適応(Unsupervised domain adapt, UDA)は、トランスファーラーニングにおける顕著なタスクの1つである。 本稿では,共同分布間のカーネル・ブレス=ヴァッサーシュタイン距離を最小化するアライメント損失項を提案する。 実験により、BJDAは、ほとんどの実験環境で最先端のアルゴリズムよりも優れており、UDAタスクに非常に効果的であることが示された。
  論文  参考訳（メタデータ） (2022-03-14T03:20:01Z)
• FRuDA: Framework for Distributed Adversarial Domain Adaptation [15.054387071537567]
  教師なしのドメイン適応(uDA)はラベル豊富なソースドメインからラベルなしのターゲットドメインへのモデルを適応するのに役立ちます。 分散敵uDAのためのエンドツーエンドフレームワークであるFRuDAを紹介する。 FRuDAは目標領域の精度を最大50%向上させ,少なくとも11倍の訓練効率を向上できることを示す。
  論文  参考訳（メタデータ） (2021-12-26T13:58:55Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• Regularized Deep Linear Discriminant Analysis [26.08062442399418]
  古典的な線形判別解析(LDA)の非線形拡張として、Deep Linear Discriminant Analysis(DLDA)は元のCategorical Cross Entropy(CCE)損失関数を置き換える。 各次元の識別能力を高めるために, クラス内散乱行列の正則化法を提案する。
  論文  参考訳（メタデータ） (2021-05-15T03:54:32Z)
• Partially-Shared Variational Auto-encoders for Unsupervised Domain Adaptation with Target Shift [11.873435088539459]
  本稿では,教師なしドメイン適応(UDA)の目標シフトを考慮した新しいアプローチを提案する。 提案手法は部分共有変分オートエンコーダ (PS-VAE) であり, 特徴分布マッチングの代わりにペアワイズな特徴アライメントを用いる。 PS-VAEは、ラベル関連コンテンツを保存しながら、CycleGANベースのアーキテクチャで各サンプルの変換ドメインを相互変換する。
  論文  参考訳（メタデータ） (2020-01-22T06:41:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。